《机器学习》专题

一共就面了半小时，有15分钟都在做题的样子😂 手撕: 判断链表有没有环，快慢指针，通过了面试官还要我讲一下思路，我就一直解释推的数学公式，不知道他听没听懂 问题: 我做的项目用了Xgboost，就从这个开始问，原理，GBDT，为什么这种模型好用等等 后来又问了我使用过paddleocr，提升准确率方法，(我也不知道，就瞎说，当时也没提升) 还问我会不会用大数据处理工具，没用过… 问了一些数据处理

美团笔试4道a了3，面完挂了一次被捞起来，然后面了两轮因为不太匹配又被丢回人才库了，今天又通知被捞了起来…… 记录一下前两轮面试吧，希望这次被捞能有好结果 优选一面（1h 凉） 一直问项目，目标检测的，数据集、模型…… 问图生图的，评价指标，模型结构 以上问了四十多分钟 写题：LeetCode 152. 乘积最大子数组 题不难，脑抽了，初始化一直有问题（你这个方法应该没啥问题，过不了的话你回去再调

自我介绍 介绍项目 介绍实习，面试官问的内容和ML的关系不太大，可能是和部门的工作比较契合所以就没为难我。 面试官向我介绍部门的工作内容，了解到和我目前实习工作相关性较强。 手撕：比较版本号 反问，因为投的是深圳+北京，所以问了一下base地。

冬招的第一个offer 一面 先拷打项目 然后手撕多头注意力机制和一道算法题：lcr08长度最小子数组 然后问了一些八股 linux如何查看某个文件有多少行 linux如何查看某个文件的第几列 git回滚的指令 合并分支的指令 弹一弹熟悉的激活函数和优缺点 fasterrcnn的优化 yolov5v8的优化 为什么业内yolov5用的比较多而不是yolov8 多头注意力机制和单头相比有什么优势 正

什么是机器学习？ 机器学习是自动从数据中提取知识的过程，通常是为了预测新的，看不见的数据。一个典型的例子是垃圾邮件过滤器，用户将传入的邮件标记为垃圾邮件或非垃圾邮件。然后，机器学习算法从数据“学习”预测模型，数据区分垃圾邮件和普通电子邮件。该模型可以预测新电子邮件是否是垃圾邮件。 机器学习的核心是根据数据来自动化决策的概念，无需用户指定如何做出此决策的明确规则。 对于电子邮件，用户不提供垃圾邮件的

一面 自我介绍 结合项目描述RNN、LSTM结构，描述模型改进原理 残差连接的优势 梯度消失问题——对比深度网络的梯度消失和循环网络的梯度消失 数据不平衡问题原因与解决措施 性能指标F1分数的计算方式 DDQN项目的环境介绍与网络模型 深度学习和强化学习的关联 Adam优化器的原理，SGD的原理 手撕： 最长有效的括号字符子序列（返回所有最长的子序列）（10分钟） 反问： 1分钟 emmm手撕ha

遇到了全是技术岗的群面，一起讨论怎么ai技术加入产品 总结：一定要读题！！！针对题来每点说自己的想法，最好把自我介绍压缩一下，组里好几个人没有说完就被下一个了，而且顺序不是按照公众号的个人编号。 读题5min，自我介绍➕想法1.5min，讨论20min，总结5min 就算没有抢到主持人，中途理清团队的思路也很重要！！！我的组两个技术大佬一直不统一。。。导致其他人也没有发表什么明确的想法和意见，我发

提前批 过去有点久了，可能有些回忆不准确了 百度机器学习一面 （电话，很简短） 询问想做的方向 问了LSTM GRU的结构和区别 Attention 原理 Bert 原理 对做NLP怎么看 百度机器学习二面 过项目，问项目涉及到的机器学习算法 概率题 贝叶斯相关 手撕算法 二分查找 先写无重复的 再写有重复找第一个 百度机器学习三面 证明根号二是无理数 用梯度渐近法求根号2 用牛顿法求根号2 手撕

时长70分钟左右，主要在问项目，其他八股挺常规的 八股： transfromers和RNN, LSTM的区别 解释一下梯度爆炸和解决方法 BN和LN的区别 讲讲了解的激活函数 怎么识别 / 解决过拟合问题 XGBoost和随机森林的区别 算法题： 最长公共子串 面完第二天秒挂，可能是笔试做得太烂了

今天下午面了快手的机器学习，部门是做搜广推的，面试官小哥哥介绍了一下部门情况，看到我是做图像的，感觉有点不太匹配，然后问我愿不愿意面试，我当然愿意了 时长：50min 1.自我介绍2分钟 2.介绍一下自己的项目，面试小哥不太懂我的这个项目，这里讲了比较多 3.二分类问题常用的评估指标？其中提到了召回率，出了个场景题说一下怎么计算 4.AUC怎么计算？ 5.AUC接近1可能的原因是什么？ 6.手撕：

自我介绍，三道编程题（二叉树和图，a了两道），项目深挖

分享面经攒攒人品！base西安 整个面试不到20minutes，不用手撕，感觉真就kpi面，主要是我的方向和他们也不太吻合。 自我介绍，项目细问+面试官介绍他们的业务和方向+反问。。。 面试官人很nice！月底出结果（说是投的人好多还得面好多），不过我面完就知道凉凉

提前感谢普拉迪普

关联规则：关联规则反映一个事物与其他事物之间的相互依存性和关联性。如果两个或者多个事物之间存在一定的关联关系，那么，其中一个事物就能够通过其他事物预测到。Apriori算法利用频繁项集生成关联规则。它基于频繁项集的子集也必须是频繁项集的概念。频繁项集是支持值大于阈值（support）的项集。

Kubernetes 在大数据与机器学习中的实践案例。